Question

我遇到时间序列预测问题，无法预测日终余额。我有2年的数据，每日结算余额约100个账户。尝试使用MLP和LSTM创建预测以预测未来值，但两者都给出了不令人满意的结果。两个模型都正确捕获数据中的线性趋势，但无法识别任何非线性变化。

这是我的方法：

功能Engg执行：

每天输入最后5个滞后值作为输入
日，月和工作日外推并作为输入提供

因此，我有8列作为模型的输入，数据在传递给模型之前使用MinMaxScaler进行缩放。

LSTM型号：

    model = Sequential()
    model.add(LSTM(32,return_sequences = True, input_shape=(1, 8)))
    model.add(LSTM(32))
    model.add(Dense(1 , activation='linear'))
    model.compile(loss='mae', optimizer='adam')

MLP模型：

    model = Sequential()
    model.add(Dense(8, activation='relu', input_dim=trainX.shape[1]))
    model.add(Dense(20, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='mae', optimizer='adam')
    model.fit(trainX,trainY, epochs=100, batch_size=32, verbose=0, 
    shuffle=False)

我做错了什么？如何改进此模型以更好地执行非线性值？以下是我得到的实际值与预测的示例。

                 predicted       actual     Mape %
    date            
    2017-11-01   3.427375e+07   75248606.05  74.82
    2017-11-02   3.516451e+07   65382560.38  60.11
    2017-11-03   3.592537e+07   64244508.86 56.54
    2017-11-04   3.796975e+07   64244508.86 51.41
    2017-11-05   3.806401e+07   64244508.86 51.18
    2017-11-06   3.994756e+07   60844214.61 41.47
    2017-11-07   4.147836e+07   57346364.66 32.11
    2017-11-08   4.280740e+07   48821953.03 13.13
    2017-11-09   4.481559e+07   49061219.17 9.05
    2017-11-10   4.662069e+07   45530356.65 2.37

时间序列预测使用神经网络

0 个答案: